Multi-agent systém je řešení, ve kterém nepracuje jen jeden AI agent, ale více agentů najednou. Každý z nich může mít jinou roli, jiné nástroje, jiný přístup k datům nebo jinou část úkolu. Smyslem není přidat do systému více modelů jen proto, že to zní pokročile. Smyslem je rozdělit složitý problém na části, které se dají lépe řídit, kontrolovat a vyhodnocovat.

U běžného AI nástroje zadáte úkol jednomu modelu a čekáte jednu odpověď. U multi-agent systému může stejný úkol projít přes několik specializovaných agentů. Jeden agent zjistí, co uživatel chce. Druhý vyhledá podklady. Třetí je porovná. Čtvrtý připraví návrh odpovědi. Pátý zkontroluje rizika, formát nebo soulad s pravidly.

To je důležité hlavně u složitějších workflow. Jednoduchý chatbot stačí na jednoduchý dotaz. Pokud má ale systém pracovat s dokumenty, používat nástroje, vyhodnocovat rizika, připravovat rozhodnutí a předávat výsledek člověku, jeden univerzální agent může být příliš nepřehledný. Multi-agent systém se snaží tuto složitost rozdělit.

Co je multi-agent systém

Multi-agent systém, často zkracovaný jako MAS, je systém složený z více samostatně jednajících agentů. Agent v tomto kontextu není jen model, který odpovídá na otázku. Je to část systému, která dostane cíl nebo dílčí úkol, pracuje s dostupnými informacemi, může použít nástroje a předá výsledek dál.

Důležité je slovo systém. Nestačí spustit několik chatbotů vedle sebe. Multi-agent řešení musí mít způsob, jak agenti sdílejí informace, jak se rozhoduje o pořadí kroků, kdo má jakou odpovědnost a co se stane, když se agenti neshodnou nebo některý z nich selže.

Představte si firmu, která chce automatizovat část zákaznické podpory. Jeden agent rozpozná, zda jde o reklamaci, technický dotaz nebo fakturaci. Druhý agent vyhledá příslušná pravidla v interní znalostní bázi. Třetí agent připraví odpověď. Čtvrtý agent zkontroluje, jestli odpověď neobsahuje něco, co by mělo schválit právní nebo reklamační oddělení.

To už není obyčejný chatbot. Je to workflow, kde několik agentů spolupracuje na jednom výsledku.

Rozdíl mezi jedním agentem a multi-agent systémem

Jeden AI agent může být užitečný, pokud je úkol relativně jasný. Například má shrnout text, navrhnout odpověď, vyhledat informaci nebo převést data do tabulky. Jakmile ale úkol obsahuje více kroků, různé zdroje a riziko chybného rozhodnutí, začne být výhodné role oddělit.

• Jeden agent – dostane celý úkol najednou a sám rozhoduje, jak ho zpracuje. Je jednodušší na návrh, ale může být hůř kontrolovatelný.
• Multi-agent systém – úkol se rozdělí mezi více agentů. Každý řeší určitou část a výsledek se skládá z jejich spolupráce.

Rozdíl je podobný jako mezi jednotlivcem a týmem. Jeden člověk může napsat článek, udělat rešerši, zkontrolovat fakta i připravit publikaci. U složitějšího výstupu ale často dává smysl, aby rešerši dělal jeden člověk, text psal druhý, odbornou kontrolu provedl třetí a editor pohlídal styl.

Multi-agent systém používá podobnou logiku. Ne proto, že by více agentů automaticky znamenalo lepší výsledek, ale proto, že u složitých úkolů je lepší mít rozdělené role.

Proč multi-agent systém vůbec používat

Multi-agent systém má smysl teprve ve chvíli, kdy jeden agent nestačí nebo by byl příliš nepřehledný. Pokud jde jen o jednoduchou odpověď na jednoduchý dotaz, více agentů může být zbytečná komplikace.

Výhoda se ukazuje u úkolů, které mají více částí. Například firemní asistent nemá jen odpovědět na otázku. Musí zjistit, kdo se ptá, jaká má oprávnění, jaké dokumenty může vidět, které zdroje jsou aktuální, zda odpověď nezasahuje do právního rizika a zda má vytvořit další úkol v interním systému.

Jeden agent by to mohl zvládnout, ale bylo by těžší kontrolovat, proč udělal konkrétní krok. U multi-agent systému lze část odpovědnosti rozdělit. Jeden agent řeší přístup k datům. Jiný agent hledá dokumenty. Další agent tvoří odpověď. Kontrolní agent hlídá rizikové formulace nebo chybějící zdroje.

To je hlavní důvod, proč se o multi-agent systémech mluví v souvislosti s firemní automatizací. Nejde o to, aby AI působila efektně. Jde o to, aby složitější proces nebyl jedna neprůhledná černá skříňka.

Jednoduchý příklad: zákaznická reklamace

Představte si zákazníka, který pošle e-mail: „Dobrý den, výrobek přišel poškozený, posílám fotku a chci reklamaci.“ Kdyby odpovídal jeden běžný chatbot, mohl by zkusit napsat obecnou odpověď. Multi-agent systém může postupovat opatrněji.

• Agent pro klasifikaci požadavku – rozpozná, že nejde o běžný dotaz, ale o reklamaci.
• Agent pro práci s dokumenty – vyhledá reklamační pravidla, obchodní podmínky a interní postup.
• Multimodální agent – zkontroluje fotografii a popíše, co je na ní skutečně vidět.
• Agent pro návrh odpovědi – připraví text pro zákazníka podle nalezených pravidel.
• Kontrolní agent – ověří, zda odpověď neslibuje něco, co firma nemá garantovat, a zda je potřeba zásah člověka.
• Agent pro workflow – založí ticket v helpdesku nebo připraví úkol pro reklamační oddělení.

Takový systém může ušetřit čas, ale pouze pokud je dobře navržený. Pokud si agenti předávají nepřesné informace, nemají jasné role nebo pracují se starými dokumenty, výsledek může být horší než práce jednoho dobře nastaveného asistenta.

Z čeho se multi-agent systém skládá

Multi-agent systém není jen seznam agentů. Aby fungoval, musí mít několik vrstev. Každá řeší jiný problém: kdo co dělá, odkud bere informace, jak spolu agenti komunikují a kdo rozhoduje o dalším kroku.

• Agenti – jednotlivé části systému se specifickou rolí. Jeden agent může vyhledávat informace, jiný psát odpovědi, další kontrolovat rizika.
• Prostředí – prostor, ve kterém agenti pracují. Může jít o aplikaci, dokumentovou bázi, CRM, helpdesk, e-shop, simulační prostředí nebo interní systém firmy.
• Nástroje – funkce, které agenti mohou použít. Například vyhledávání, databáze, kalendář, API, kalkulačka, CRM nebo systém pro tvorbu ticketů.
• Sdílený kontext – informace, které musí být dostupné více agentům, aby si nepředávali neúplné nebo rozporné závěry.
• Komunikační pravidla – způsob, jak si agenti předávají úkoly, výstupy, otázky, varování nebo nejistoty.
• Orchestrace – řízení toho, který agent má pracovat, v jakém pořadí a za jakých podmínek se výsledek předá dál.
• Kontrola a audit – záznam toho, co který agent udělal, z jakých podkladů vycházel a kdo výsledek schválil.

Pokud některá z těchto vrstev chybí, systém může na ukázce vypadat dobře, ale v reálném provozu začne selhávat. Typicky se ztratí kontext, agenti si odporují, výstup nejde zpětně vysvětlit nebo systém provede akci, kterou měl nejdřív schválit člověk.

Orchestrátor – kdo řídí práci agentů

Jedním z nejdůležitějších prvků multi-agent systému je orchestrátor. To je část systému, která rozhoduje, kdy se který agent zapojí, jaké informace dostane a komu předá výsledek.

Bez orchestrace by agenti mohli pracovat chaoticky. Jeden by začal hledat dokumenty, druhý by už psal odpověď, třetí by kontroloval zastaralou verzi textu a čtvrtý by mezitím spustil akci v externím systému. Orchestrátor dává tomuto procesu pořadí.

V praxi může orchestrace vypadat různě:

• Centralizovaná orchestrace – jeden hlavní agent nebo systém řídí ostatní agenty. Je to přehlednější a lépe kontrolovatelné.
• Hierarchická orchestrace – agenti jsou uspořádaní ve vrstvách. Nadřazený agent řeší strategii a podřízení agenti konkrétní kroky.
• Decentralizovaná spolupráce – agenti se domlouvají mezi sebou bez jednoho hlavního řídicího bodu. Je to pružnější, ale hůř kontrolovatelné.
• Federovaná spolupráce – agenti patří různým systémům nebo organizacím a spolupracují bez toho, aby si museli předat všechna data.

Pro firemní použití bývá často vhodnější začít centralizovaně nebo hierarchicky. Důvod je jednoduchý: dokud firma neumí dobře kontrolovat jeden agentní proces, nemá smysl pouštět několik agentů do volné decentralizované spolupráce.

Komunikace mezi agenty

Komunikace je v multi-agent systému stejně důležitá jako schopnosti jednotlivých agentů. Nestačí, že každý agent umí dobře svou část. Musí také předat výsledek tak, aby ho další agent správně pochopil.

Problém často není v tom, že by agent nic nenašel nebo nic nevygeneroval. Problém je v tom, že výstup předá nejasně. Například napíše „dokument je relevantní“, ale už neuvede, která část dokumentu je podstatná, jak je dokument starý, zda existuje novější verze a jak moc si je jistý.

Dobrá komunikace mezi agenty by měla obsahovat:

• co agent udělal – například vyhledal dokumenty, porovnal smlouvy nebo připravil návrh odpovědi,
• z čeho vycházel – konkrétní zdroje, záznamy, dokumenty nebo vstupy,
• jaký je výsledek – jasný závěr, ne jen volný komentář,
• jaká je nejistota – kde si agent není jistý nebo kde chybí data,
• co má udělat další agent – například zkontrolovat právní riziko, doplnit zdroj nebo připravit finální text.

Čím volnější je komunikace, tím větší je riziko, že se chyba přenese dál. U produkčních systémů proto dává smysl používat strukturované výstupy, jasné mezikroky a logování.

Spolupráce, soutěž a vyjednávání

Ne všichni agenti v multi-agent systému musí mít stejnou roli. Někdy spolupracují, někdy si kontrolují výstupy a někdy mohou navrhovat odlišná řešení.

• Spolupráce – agenti řeší společný cíl. Jeden hledá data, druhý je analyzuje, třetí připraví výstup.
• Kontrola – jeden agent vytvoří návrh a druhý agent hledá chyby, rozpory nebo rizikové formulace.
• Soutěž návrhů – více agentů připraví různá řešení a další část systému vybere nejlepší.
• Vyjednávání – agenti mají různé dílčí cíle, například rychlost, cenu, kvalitu nebo bezpečnost, a systém hledá přijatelný kompromis.

V praxi je důležité, aby tato struktura byla navržená záměrně. Pokud dva agenti jen náhodně produkují odlišné odpovědi, není to užitečná soutěž. Užitečné je to teprve tehdy, když systém ví, proč vznikají různé návrhy a podle čeho se rozhodne.

Multi-agent systém a RAG

RAG často tvoří znalostní vrstvu pro AI agenty. Model díky němu neodpovídá jen ze své obecné znalosti, ale dostane konkrétní dokumenty, pravidla, návody nebo interní podklady.

U multi-agent systému může RAG používat více agentů najednou. Jeden agent vyhledá dokumenty, druhý ověří jejich aktuálnost, třetí vybere relevantní pasáže a čtvrtý z nich připraví odpověď. To může být přesnější než jeden agent, který dostane celý úkol najednou.

Má to ale i riziko. Pokud první agent najde špatný dokument, další agenti mohou stavět na chybném základu. Proto musí být u RAG v multi-agent systému jasné, jak se ověřuje zdroj, verze dokumentu, oprávnění uživatele a kvalita nalezeného kontextu.

Praktický příklad:

• Uživatel položí dotaz – například se ptá na postup reklamace.
• Retrieval agent vyhledá zdroje – najde reklamační řád, interní metodiku a předchozí podobné případy.
• Kontrolní agent ověří aktuálnost – zkontroluje, zda nejde o starou verzi dokumentu.
• Odpovědní agent připraví text – sestaví odpověď podle nalezených pravidel.
• Schvalovací agent označí rizika – upozorní, že konkrétní případ má zkontrolovat člověk.

Tady už nejde jen o schopnost modelu psát. Jde o celý informační proces.

Multi-agent systém a prompt engineering

Prompt engineering je u multi-agent systémů důležitější než u běžného jednorázového dotazu. Každý agent totiž potřebuje jiné zadání. Agent pro rešerši nemá mít stejný prompt jako agent pro kontrolu rizik nebo agent pro finální redakční výstup.

Pokud mají všichni agenti obecné zadání typu „vyřeš úkol co nejlépe“, systém se rychle rozpadne do vágních odpovědí. Jeden agent bude shrnovat, druhý bude domýšlet, třetí bude přepisovat a nikdo nebude přesně vědět, kdo za co odpovídá.

U multi-agent systému se proto prompty píšou podle rolí:

• Rešeršní agent – má hledat podklady, citovat zdroje a oddělit ověřené informace od nejistých.
• Analytický agent – má porovnat varianty, najít rozdíly, rizika nebo rozpory.
• Redakční agent – má převést podklady do čitelného textu, ale nesmí si vymýšlet chybějící fakta.
• Kontrolní agent – má hledat chyby, nepodložená tvrzení, citlivé formulace nebo chybějící kroky.
• Orchestrátor – má rozhodnout, který agent má pracovat dál a kdy je potřeba lidské schválení.

Smyslem není napsat co nejdelší prompt. Smyslem je jasně vymezit roli, vstupy, výstupy, omezení a odpovědnost každého agenta.

Multi-agent systém a embeddingy

Embeddingy se v multi-agent systémech používají hlavně tam, kde agenti potřebují vyhledávat, porovnávat nebo seskupovat informace podle významové podobnosti.

Například agent pro dokumenty může pomocí embeddingů najít podobné smlouvy, supportní tickety, produktové popisy nebo interní postupy. Jiný agent může na základě nalezených dokumentů připravit odpověď nebo rozhodnout, zda je případ podobný dříve řešené situaci.

Problém je, že podobnost není totéž co správnost. Dokument může být významově podobný, ale právně neaktuální. Supportní ticket může vypadat podobně, ale týkat se jiné verze produktu. Proto v multi-agent systému nestačí pouze najít podobný obsah. Další agent nebo kontrolní krok musí ověřit, zda je nalezený podklad opravdu použitelný.

Multi-agent systém a AI agenti

AI agent je základní stavební prvek multi-agent systému. Jeden agent může být užitečný sám o sobě, ale multi-agent systém vzniká až tehdy, když více agentů spolupracuje na jednom procesu.

Rozdíl je důležitý. Pokud jeden agent odpovídá na dotaz, řešíme hlavně kvalitu jeho odpovědi. Pokud spolupracuje více agentů, řešíme navíc koordinaci, předávání kontextu, konflikty mezi výstupy, odpovědnost za chybu a možnost zásahu člověka.

Prakticky to znamená, že multi-agent systém má více míst, kde může vzniknout chyba:

• agent špatně pochopí svou roli – například začne tvořit závěry místo toho, aby jen hledal zdroje,
• agent předá neúplný výstup – další agent pracuje s chybějícím kontextem,
• agenti si odporují – jeden tvrdí, že dokument je relevantní, druhý ho označí za nepoužitelný,
• orchestrátor zvolí špatný další krok – například přeskočí kontrolu člověkem,
• systém nemá auditní stopu – po chybě nejde zjistit, který agent k ní přispěl.

Proto multi-agent systém není jen „více agentů“. Je to návrh celého procesu.

Kde se multi-agent systémy používají

Multi-agent systémy dávají smysl tam, kde je úkol složený z více kroků, vyžaduje různé typy znalostí a výsledek musí projít kontrolou. Největší přínos mají u procesů, kde by jeden univerzální agent musel dělat příliš mnoho věcí najednou.

• Zákaznická podpora – jeden agent klasifikuje požadavek, další hledá pravidla, další připraví odpověď a kontrolní agent označí případy, které má převzít člověk.
• Interní znalostní báze – agenti vyhledávají dokumenty, kontrolují jejich aktuálnost, porovnávají verze a připravují odpovědi pro zaměstnance.
• Právní a smluvní agenda – jeden agent vyhledá smlouvy, druhý porovná ustanovení, třetí upozorní na rizika a člověk finálně rozhodne.
• Marketing a obsah – rešeršní agent připraví podklady, redakční agent napíše text, SEO agent zkontroluje strukturu a editor pohlídá styl.
• Software development – jeden agent navrhne řešení, druhý napíše kód, třetí hledá chyby, čtvrtý připraví testy a pátý zkontroluje bezpečnost.
• Obchod a CRM – agenti mohou třídit leady, dohledávat kontext, připravovat návrhy e-mailů a upozorňovat obchodníka na další krok.
• Logistika – více agentů může řešit sklad, dopravu, dostupnost zboží, priority objednávek a kapacity dopravců.
• Kyberbezpečnost – agenti mohou sledovat různé části infrastruktury, sdílet signály a společně vyhodnocovat, zda jde o incident.
• Robotika – více robotů nebo softwarových agentů si může rozdělit prostor, úkoly a koordinovat pohyb.

Kdy multi-agent systém dává smysl

Multi-agent systém není univerzální řešení. Má smysl hlavně tam, kde přínos rozdělení rolí převáží nad složitostí navíc.

• Úkol má více jasně oddělitelných kroků – například rešerše, analýza, návrh, kontrola a akce.
• Různé části úkolu vyžadují různé znalosti – právní kontrola, technická analýza a redakční formulace nejsou totéž.
• Je potřeba kontrola výstupu – jeden agent vytvoří návrh, jiný agent hledá chyby nebo rizika.
• Systém pracuje s více zdroji dat – dokumenty, CRM, helpdesk, databáze, e-mail, kalendář nebo externí API.
• Výsledek má provozní dopad – například založení ticketu, úprava záznamu, příprava odpovědi zákazníkovi nebo předání úkolu člověku.
• Je potřeba auditovatelnost – firma musí vědět, kdo nebo co připravilo výstup, z jakých zdrojů a s jakou kontrolou.

Kdy je multi-agent systém zbytečný

Multi-agent systém může také zbytečně komplikovat práci. Pokud stačí jeden dobře nastavený model nebo jednoduchá automatizace, více agentů může přidat jen náklady, latenci a nové chyby.

• Jednoduchý dotaz – pokud uživatel chce krátké shrnutí nebo přeformulování textu, není potřeba tým agentů.
• Jasně daný postup – pokud proces vždy běží stejně, může stačit běžná automatizace nebo pravidlový workflow.
• Nízké riziko – u interních pomocných úkolů může být multi-agent architektura zbytečně těžkopádná.
• Špatná data – více agentů nezachrání neaktuální dokumenty, rozbité CRM nebo nepřehlednou znalostní bázi.
• Chybějící odpovědnost – pokud firma neví, kdo bude systém kontrolovat, multi-agent řešení jen rozšíří chaos.

Dobré pravidlo je jednoduché: nejdřív navrhnout nejjednodušší funkční řešení. Multi-agent architekturu přidávat až ve chvíli, kdy je jasné, který problém tím skutečně řešíte.

Výhody multi-agent systémů

Dobře navržený multi-agent systém může přinést několik výhod. Nejsou automatické. Objeví se pouze tehdy, když jsou správně rozdělené role, jasná orchestrace a dobrá kontrola výstupů.

• Specializace – každý agent se soustředí na konkrétní část úkolu, například rešerši, kontrolu, analýzu nebo formátování.
• Lepší kontrola procesu – složitý úkol je rozdělený na kroky, které se dají samostatně vyhodnotit.
• Možnost paralelní práce – více agentů může zpracovávat různé části úkolu současně.
• Vyšší odolnost – pokud jeden agent selže, systém může výstup zastavit, přesměrovat nebo předat člověku.
• Lepší auditovatelnost – je možné sledovat, který agent co udělal a z jakých podkladů vycházel.
• Snazší rozšiřování – do systému lze přidat nového agenta pro novou roli, aniž by se muselo celé řešení přepsat.

Rizika multi-agent systémů

Čím více agentů systém obsahuje, tím více roste nárok na koordinaci. Multi-agent systém může být výkonnější než jeden agent, ale také křehčí. Chyba v jednom kroku se může přenést do dalších kroků a vypadat jako dobře odůvodněný výsledek.

• Ztráta kontextu – agenti si nepředají všechny důležité informace a další krok vychází z neúplného podkladu.
• Řetězení chyb – první agent udělá chybu a ostatní agenti ji jen formálně zpracují dál.
• Rozpor mezi agenty – různí agenti dojdou k odlišným závěrům a systém nemá pravidlo, jak rozpor vyřešit.
• Nadměrná složitost – systém je tak komplikovaný, že mu nerozumí ani tým, který ho provozuje.
• Vyšší náklady – více agentů znamená více volání modelů, více tokenů, více výpočetních nákladů a delší odezvu.
• Bezpečnostní rizika – více agentů může znamenat více přístupů k datům, nástrojům a interním systémům.
• Nejasná odpovědnost – není jasné, zda za chybu může vyhledávací agent, kontrolní agent, orchestrátor nebo špatné zadání.

Jak navrhnout multi-agent systém ve firmě

U firemního nasazení je největší chyba začít technologií. Správný postup je opačný. Nejdřív je potřeba popsat proces, rizika a rozhodovací body. Teprve potom má smysl řešit, kolik agentů bude potřeba.

1. Vybrat konkrétní proces – například reklamace, příprava obchodní odpovědi, interní znalostní dotazy nebo kontrola smluv.
2. Rozdělit proces na kroky – příjem vstupu, klasifikace, vyhledání podkladů, analýza, návrh, kontrola, akce.
3. Určit role agentů – každý agent musí mít jasný úkol a jasně definovaný výstup.
4. Nastavit zdroje dat – agenti musí pracovat jen s dokumenty a systémy, ke kterým mají mít přístup.
5. Vymezit nástroje – co agent smí pouze číst, co smí připravit a co smí skutečně provést.
6. Nastavit kontrolní body – kdy musí výstup schválit člověk.
7. Logovat kroky – musí být dohledatelné, který agent co udělal.
8. Testovat na reálných případech – ne na ukázkových dotazech, které jsou pro systém příliš snadné.

Teprve když tento návrh dává smysl na papíře, má smysl ho převádět do konkrétního AI řešení.

Jak poznat dobře navržený multi-agent systém

Dobře navržený multi-agent systém nepůsobí jako náhodná skupina chatbotů. Působí jako řízený proces, ve kterém je jasné, kdo co dělá a proč.

• Každý agent má konkrétní roli – není tam pět agentů, kteří všichni dělají totéž jinými slovy.
• Výstupy mezi agenty jsou strukturované – další agent nedostává jen volný text, ale jasný závěr, zdroje, nejistoty a doporučený další krok.
• Orchestrace je srozumitelná – je jasné, proč systém zavolal konkrétního agenta a proč přeskočil jiného.
• Citlivé akce mají lidskou kontrolu – agenti nepřepisují data, neposílají zprávy a nespouštějí nevratné kroky bez pravidel.
• Systém umí říct „nevím“ – pokud chybí data nebo si agenti odporují, výstup se nezamaskuje sebejistou odpovědí.
• Chyby se dají dohledat – po incidentu lze zjistit, kde vznikla chyba a jak se dostala do výsledku.

Časté chyby při návrhu multi-agent systémů

Multi-agent systémy často selhávají ne proto, že by jednotlivé modely byly slabé, ale proto, že je špatně navržený proces kolem nich.

• Příliš mnoho agentů – systém je složitý, pomalý a nikdo neví, který agent skutečně přidává hodnotu.
• Nejasné role – agenti se překrývají, opakují po sobě práci nebo si odporují.
• Chybějící orchestrátor – systém neví, v jakém pořadí má kroky provádět.
• Nekvalitní zdroje – agenti pracují se starými, duplicitními nebo rozpornými dokumenty.
• Žádná auditní stopa – výsledek nejde zpětně vysvětlit.
• Příliš velká autonomie – agenti mohou provádět akce, které by měl schválit člověk.
• Testování jen na jednoduchých ukázkách – systém projde demo scénářem, ale selže na reálných okrajových případech.
• Záměna spolupráce za chaos – více agentů komunikuje, ale výsledkem není lepší rozhodnutí, jen delší proces.

Multi-agent systém v běžném jazyce

Multi-agent systém si můžete představit jako tým specialistů. Když chcete postavit dům, nestačí jeden člověk, který „nějak umí všechno“. Potřebujete projektanta, statika, elektrikáře, instalatéra, stavbyvedoucího a někoho, kdo kontroluje, že se postupuje podle plánu.

Stejné je to u složitých AI úkolů. Jeden agent může být dobrý univerzální pomocník, ale u složitějšího procesu je lepší rozdělit práci. Někdo hledá podklady, někdo analyzuje, někdo píše, někdo kontroluje a někdo rozhoduje, co se má stát dál.

Rozdíl je v tom, že u AI musí být tato spolupráce navržená velmi přesně. Lidé si umí spoustu nejasností vyříkat. Agenti potřebují jasné role, pravidla, vstupy, výstupy a kontrolní body.

Související pojmy

• AI agent – systém, který se nerozhoduje jen podle jedné odpovědi, ale může plánovat kroky, používat nástroje a reagovat na výsledek.
• Agentic AI – přístup k AI systémům, které nejsou jen pasivní chatboty, ale dokážou sledovat cíl, plánovat postup a provádět další kroky.
• Orchestrace – řízení toho, který agent se zapojí, kdy se zapojí, jaké dostane informace a komu předá výsledek.
• RAG – architektura, která propojuje vyhledání relevantních informací s generováním odpovědi.
• Retrieval – vyhledání relevantních dokumentů nebo pasáží, které se použijí jako podklad pro odpověď.
• Chunking – rozdělení dlouhých dokumentů na menší části, se kterými může systém lépe pracovat.
• Embedding – číselná reprezentace obsahu, která umožňuje porovnávat významovou podobnost textů, obrázků nebo dokumentů.
• Prompt engineering – návrh zadání pro jazykový model nebo agenta tak, aby výstup odpovídal požadovanému cíli, formátu a omezením.
• Velký jazykový model (LLM) – jazykový model, který často tvoří „mozek“ jednotlivých agentů.
• Multimodální modely – modely pracující s více typy vstupů, například textem, obrázky, dokumenty, zvukem nebo videem.
• Strojové učení – širší oblast AI, ve které se modely učí z dat, zkušeností nebo zpětné vazby.
• Reinforcement learning – zpětnovazební učení, ve kterém se agent učí pomocí akcí, odměn a následků.
• Explorace – řízené ověřování nových možností, aby systém nezůstal jen u první osvědčené strategie.
• Exploatace – využití nejlepší známé možnosti podle dosavadních dat.
• AI governance – pravidla, odpovědnosti a kontrolní mechanismy pro bezpečné a auditovatelné používání AI.
• AI risk management – identifikace, měření, řízení a monitoring rizik, která vznikají při používání AI systémů.

Zdroje a další čtení

• Guide to multi-agent systems (MAS) – cloud.google.com – červen 2026 – vysvětluje multi-agent systém jako více autonomních a vzájemně interagujících agentů ve sdíleném prostředí.
• What is AI Agent Orchestration? – ibm.com – červen 2026 – popisuje koordinaci více specializovaných AI agentů, typy orchestrace a praktické přínosy i rizika.
• A survey of multi-agent deep reinforcement learning with communication – link.springer.com – červen 2026 – odborný přehled komunikace v multi-agent reinforcement learningu a problémů koordinace mezi agenty.
• Multi-Agent Coordination across Diverse Applications: A Survey – arxiv.org – červen 2026 – přehled koordinace v multi-agent systémech napříč robotikou, logistikou, dopravou, satelitními systémy a LLM aplikacemi.
• The Five Ws of Multi-Agent Communication – arxiv.org – červen 2026 – přehled komunikace mezi agenty od multi-agent reinforcement learningu po systémy s velkými jazykovými modely.
• Cooperative Multi-Agent Planning: A Survey – arxiv.org – červen 2026 – odborný přehled kooperativního plánování, kde více agentů společně hledá postup k dosažení skupinového cíle.
• RAG – krcmic.cz – červen 2026 – navazující článek o retrieval-augmented generation a využití RAG jako znalostní vrstvy pro AI agenty.
• Multimodální modely – krcmic.cz – červen 2026 – navazující článek k modelům, které pracují s více typy vstupů a mohou být součástí agentních workflow.